STTSSTTS

Journal of Information System,Graphics, Hospitality and TechnologyJournal of Information System,Graphics, Hospitality and Technology

Kemajuan teknologi yang terus berkembang dengan pesat memungkinkan banyak perusahaan memanfaatkan teknologi dengan menciptakan berbagai macam cara dengan menggunakan sistem serta aplikasi dari Teknologi Informasi, salah satu contoh dari sistem TI ialah video game. Maraknya aplikasi video game dengan berbagai kategori yang telah dirancang dan diimplementasikan lalu dipublikasikan pada platform Google Play Store sangat memungkinkan penggunanya memberikan penilaian dan akan berdampak pada peringkat video game yang dipublikasikan. Pada penelitian ini, penulis menggunakan dataset Google Play Store yang diperoleh dari situs website Kaggle untuk memprediksi aplikasi yang populer menggunakan dua model klasifikasi yaitu Random Forest Classifier (RFC) dan Gradient Boosting Decision (GBD) dan membandingkan akurasi model ini. Penelitian ini menghasilkan prediksi aplikasi manakah yang populer dan tidak menggunakan dua model serta menentukan kategori video gamenya. Penelitian ini diharapkan dapat membantu perusahaan mempertimbangkan aplikasi atau video game apa yang baik untuk dikembangkan pada masa yang akan datang.

Penelitian ini berhasil mengklasifikasikan aplikasi video game populer menggunakan algoritma Random Forest Classifier dan Gradient Boosting Decision.Dari 17 kategori game dalam dataset, kategori Puzzle merupakan yang paling banyak memiliki jumlah aplikasi dengan rating di atas 4.Meskipun tingkat akurasi kedua model tinggi, terjadi overfitting pada model Gradient Boosting Decision, yang dapat diatasi dengan menyesuaikan learning rate selama proses pelatihan.

Pertama, penelitian lanjutan dapat mengeksplorasi penggunaan teknik ensemble lainnya seperti XGBoost atau LightGBM untuk membandingkan kinerja dan mengurangi risiko overfitting dibandingkan Gradient Boosting Decision. Kedua, dapat dikembangkan studi yang menganalisis pengaruh fitur-fitur non-numerik seperti deskripsi game, ulasan pengguna, atau tren sosial media terhadap popularitas game, yang belum diintegrasikan dalam penelitian ini. Ketiga, perlu dilakukan penelitian yang memprediksi perubahan popularitas genre game dari waktu ke waktu menggunakan data longitudinal, sehingga dapat mengidentifikasi pola musiman atau tren jangka panjang dalam preferensi pengguna, yang dapat membantu pengembang merencanakan rilis game secara strategis.

  1. Software reuse analytics using integrated random forest and gradient boosting machine learning algorithm... doi.org/10.1002/spe.2921Software reuse analytics using integrated random forest and gradient boosting machine learning algorithm doi 10 1002 spe 2921
  2. Applications of python to evaluate the performance of decision tree‐based boosting algorithms... aiche.onlinelibrary.wiley.com/doi/10.1002/ep.12888Applications of python to evaluate the performance of decision treeyAAAabased boosting algorithms aiche onlinelibrary wiley doi 10 1002 ep 12888
  3. Greedy function approximation: A gradient boosting machine.. greedy function gradient boosting machine... doi.org/10.1214/aos/1013203451Greedy function approximation A gradient boosting machine greedy function gradient boosting machine doi 10 1214 aos 1013203451
  1. #siswa sma#siswa sma
  2. #akurasi model#akurasi model
Read online
File size696.83 KB
Pages5
Short Linkhttps://juris.id/p-2PH
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test